{"id":6899,"date":"2024-12-17T18:30:00","date_gmt":"2024-12-17T17:30:00","guid":{"rendered":"https:\/\/haimagazine.com\/?p=6899"},"modified":"2025-06-26T10:23:35","modified_gmt":"2025-06-26T08:23:35","slug":"inteligentna-diagnostyka-pluc-jak-dobre-dane-modele-i-wyjasnienia-buduja-zaufanie-do-ai-w-medycynie","status":"publish","type":"post","link":"https:\/\/haimagazine.com\/pl\/hai-magazine\/inteligentna-diagnostyka-pluc-jak-dobre-dane-modele-i-wyjasnienia-buduja-zaufanie-do-ai-w-medycynie\/","title":{"rendered":"\ud83d\udd12 Inteligentna diagnostyka p\u0142uc. Jak dobre dane, modele i wyja\u015bnienia buduj\u0105 zaufanie do AI w medycynie"},"content":{"rendered":"

Wystarczy wzi\u0105\u0107 kilkudziesi\u0119ciu \u015bwietnych in\u017cynier\u00f3w, dola\u0107 40TB dobrej jako\u015bci danych z polskich szpitali i 180 tysi\u0119cy godzin oblicze\u0144 na najnowszych GPU, a potem zagotowa\u0107 pod bacznym okiem czo\u0142owych ekspert\u00f3w w radiologii i pulmonologii. No i oczywi\u015bcie nie wolno zapomnie\u0107 o dodaniu w\u0142a\u015bciwej ilo\u015bci wyja\u015bnialnej sztucznej inteligencji (XAI).<\/p>

Ca\u0142o\u015b\u0107 gotowa\u0107 musia\u0142a si\u0119 wprawdzie niemal trzy lata, ale w\u0142a\u015bnie w taki spos\u00f3b na Politechnice Warszawskiej w ramach projektu xLungs powsta\u0142o narz\u0119dzie do inteligentnej diagnostyki p\u0142uc.<\/p>

A teraz na przyk\u0142adzie projektu xLungs mo\u017cemy bli\u017cej przyjrze\u0107 si\u0119 wyzwaniom, jakie stoj\u0105 przed \u015bmia\u0142kami wdra\u017caj\u0105cymi AI w medycynie.<\/p>

Dane to podstawa<\/h4>

Ze z\u0142ej jako\u015bci produkt\u00f3w nie zrobisz dobrego dania. To prawda, kt\u00f3ra obowi\u0105zuje r\u00f3wnie\u017c przy trenowaniu modeli sztucznej inteligencji (AI). Dobrej jako\u015bci reprezentatywne dane szczeg\u00f3lnie wa\u017cne s\u0105 w medycynie, w kt\u00f3rej praktyki, procedury i sposoby przeprowadzania bada\u0144 cz\u0119sto bardzo r\u00f3\u017cni\u0105 si\u0119 w zale\u017cno\u015bci od kraju. Je\u017celi dane nie b\u0119d\u0105 reprezentatywne, bez wzgl\u0119du na w\u0142o\u017cony we\u0144 wysi\u0142ek, projekt skazany jest na spektakularn\u0105 pora\u017ck\u0119<\/p>

W przypadku diagnostyki raka p\u0142uca mieli\u015bmy sporo szcz\u0119\u015bcia. Polska jest bowiem jednym z nielicznych kraj\u00f3w, kt\u00f3ry prowadzi programy screeningu raka p\u0142uca na naprawd\u0119 du\u017c\u0105 skal\u0119. Dzi\u0119ki nim w ramach projektu zosta\u0142a opracowana najwi\u0119ksza pod k\u0105tem liczby pacjent\u00f3w baza obrazowa\u0144 tomografii komputerowej klatki piersiowej na \u015bwiecie, kt\u00f3ra wkr\u00f3tce b\u0119dzie dost\u0119pna publicznie. Druga najwi\u0119ksza baza, czyli National Lung Screening Trial (NLST)<\/a><\/mark>, zawiera co prawda troch\u0119 wi\u0119cej bada\u0144, ale s\u0105 to badania wykonane dla mniejszej, a wi\u0119c te\u017c mniej reprezentatywnej grupy pacjent\u00f3w.<\/p>

Najwi\u0119kszym i najbardziej zr\u00f3\u017cnicowanym \u017ar\u00f3d\u0142em danych o p\u0142ucach w projekcie xLungs by\u0142a baza Polskiej Grupy Raka P\u0142uca<\/a><\/mark>. Sk\u0142ada si\u0119 ona z ponad 40 tysi\u0119cy skan\u00f3w tomografii komputerowej uczestnik\u00f3w og\u00f3lnokrajowego badania przesiewowego w kierunku raka p\u0142uc przeprowadzonego w latach 2010\u20132018.<\/p>

\"\"
Dane zosta\u0142y dostarczone w postaci kilkuset pude\u0142ek z p\u0142ytami CD\/DVD, kt\u00f3re to p\u0142yty musia\u0142y zosta\u0107 skopiowane na dyski twarde. <\/em>
\"\"
Proces kopiowania danych trwa\u0142 cztery miesi\u0105ce. Zgrywano \u015brednio 450 p\u0142yt na godzin\u0119, co by\u0142o mo\u017cliwe dzi\u0119ki zastosowaniu systemu z\u0142o\u017conego z dw\u00f3ch laptop\u00f3w, do kt\u00f3rych pod\u0142\u0105czono dwadzie\u015bcia czytnik\u00f3w p\u0142yt DVD i cztery dyski zewn\u0119trzne o \u0142\u0105cznej pojemno\u015bci ponad 10TB.<\/em>
\u0179r\u00f3d\u0142o: materia\u0142y autor\u00f3w<\/em><\/p>

Zanim danym pozwolono opu\u015bci\u0107 siedzib\u0119 Instytutu Gru\u017alicy i Chor\u00f3b P\u0142uc, musia\u0142y przej\u015b\u0107 jeszcze wieloetapow\u0105 procedur\u0119 anonimizacji.<\/p>

Modele AI<\/h4>

Otrzymane dane, opr\u00f3cz p\u00f3l tekstowych dotycz\u0105cych m.in. opisu przypadku i danych demograficznych pacjenta, zawieraj\u0105 obraz pochodz\u0105cy z tomografii komputerowej. Obraz jest zapisany jako tr\u00f3jwymiarowa kostka, czyli seria dwuwymiarowych przekroj\u00f3w przez cia\u0142o cz\u0142owieka, przez klatk\u0119 piersiow\u0105.<\/p>

Obrazy w tomografii komputerowej zapisane s\u0105 w 12- lub 16-bitowej skali szaro\u015bci. Ka\u017cdy piksel jest zapisem g\u0119sto\u015bci radiologicznej utrwalonych obiekt\u00f3w. G\u0119sto\u015b\u0107 zapisywana jest w skali Hounsfielda, wyra\u017conej w jednostkach Hounsfielda (HU). Skala dobrze r\u00f3\u017cnicuje r\u00f3\u017cne o\u015brodki w ciele cz\u0142owieka. Przyk\u0142adowo, w warunkach standardowych obrazowanie t\u0142uszczu przyjmuje w przybli\u017ceniu -90 HU, mi\u0119\u015bni 40 HU, a ko\u015bci ponad 130 HU.<\/p>

Stwierdzenie \u201ew warunkach standardowych” jest tutaj kluczowe. W praktyce okazuje si\u0119, \u017ce proste algorytmy nie radz\u0105 sobie zbyt dobrze z zadaniem oddzielenia od siebie tkanek o teoretycznie du\u017cych odleg\u0142o\u015bciach na skali HU.<\/p>

Z tego powodu konieczne by\u0142o wytrenowanie ca\u0142ego zbioru g\u0142\u0119bokich sieci neuronowych, kt\u00f3ry mia\u0142 za zadanie przekszta\u0142ci\u0107 ca\u0142y zestaw obrazowa\u0144 z tomografu w tr\u00f3jwymiarowe maski segmentacji, z wyszczeg\u00f3lnionymi organami.<\/p>

\"\"
\u0179r\u00f3d\u0142o: materia\u0142y autor\u00f3w<\/em><\/p>

Do trenowania modeli AI niezb\u0119dne s\u0105 dzisiaj zaawansowane karty GPU. Bez odpowiedniej infrastruktury obliczeniowej proces treningu trwa\u0142by dziesi\u0105tki lub setki lat. W naszym przypadku, cho\u0107 dysponujemy dost\u0119pem do klastra EdenN na Wydziale Matematyki i Nauk Informacyjnych i mieli\u015bmy pod r\u0119k\u0105 32 karty NVIDIA A100 i 8 kart H100, trenowanie modeli trwa\u0142o ponad trzy miesi\u0105ce.<\/p>

Trening sieci, w przeliczeniu na superwydajn\u0105 kart\u0119 GPU A100, zaj\u0105\u0142 ponad 179 tysi\u0119cy godzin oblicze\u0144. Jest to czas por\u00f3wnywalny do czasu trenowania modeli j\u0119zykowych takich jak model Llama 2 wytrenowany przez firm\u0119 Meta.<\/strong><\/p>

Wytrenowana sie\u0107 opiera si\u0119 na architekturze nnU-Net, kt\u00f3ra automatycznie dostosowuje si\u0119 do r\u00f3\u017cnych zestaw\u00f3w danych i automatyzuje wyb\u00f3r konfiguracji modelu, kt\u00f3ry normalnie wymaga\u0142by du\u017cego zaanga\u017cowania naukowc\u00f3w.<\/p>

Baz\u0105 do modyfikacji jest splotowa sie\u0107 neuronowa U-Net, opracowana do segmentacji obraz\u00f3w. W tym modelu kolejne warstwy sieci podlegaj\u0105 decymacji (zmniejszeniu rozmiaru pr\u00f3bki), a\u017c do momentu prze\u0142omowego, w kt\u00f3rym nast\u0119puje odwr\u00f3cenie tego procesu, poprzez utworzenie lustrzanego odbicia pocz\u0105tkowych warstw. Architektur\u0119 tej sieci mo\u017cna \u0142atwo przedstawi\u0107 w formie litery U, st\u0105d jej nazwa.<\/p>

Stworzona sie\u0107 pozwoli\u0142a na odtworzenie p\u0142uc z dok\u0142adno\u015bci\u0105 oko\u0142o 95%<\/mark><\/strong><\/h4>

Miara ta, zwana DICE, jest wyliczana w spos\u00f3b nast\u0119puj\u0105cy: bierzemy cz\u0119\u015b\u0107 wsp\u00f3ln\u0105 obrazu p\u0142uc stworzonego przez sie\u0107 (reprezentacj\u0119 p\u0142uc) i maski, kt\u00f3r\u0105 zaznaczali na zdj\u0119ciach p\u0142uc radiolodzy, i por\u00f3wnujemy je do sumy obj\u0119to\u015bci obu obszar\u00f3w (obrazu i maski).<\/p>

https:\/\/link.springer.com\/chapter\/10.1007\/978-3-031-72111-3_65<\/a>Istotnym wyzwaniem przy ocenie jako\u015bci segmentacji w tej metodzie jest posiadanie poprawnych masek, do kt\u00f3rych b\u0119dziemy por\u00f3wnywa\u0107, dlatego najcz\u0119\u015bciej tworzy si\u0119 je r\u0119cznie. W naszym projekcie pracowa\u0142o nad tym dw\u00f3ch radiolog\u00f3w, kt\u00f3rzy weryfikowali poprawno\u015b\u0107 masek wst\u0119pnie wyznaczonych przez mechanizm automatycznej segmentacji. 3 Wi\u0119cej o tym i innych wytrenowanych modelach mo\u017cna przeczyta\u0107 w tej publikacji<\/a><\/mark>.<\/p>

Wyja\u015bnij albo gi\u0144<\/h4>

Od momentu, w kt\u00f3rym ChatGPT zaproponowa\u0142 przyczepienie sera do pizzy przy pomocy kleju, wiemy, \u017ce wobec algorytm\u00f3w AI powinni\u015bmy przestrzega\u0107 zasady ograniczonego zaufania. Jednak\u017ce, ze wzgl\u0119du na stopie\u0144 skomplikowania struktury modeli i z\u0142o\u017cono\u015bci stosowanych przez nie regu\u0142 decyzyjnych, niezmiernie trudno oceni\u0107 jednoznacznie, czy modele dzia\u0142aj\u0105 dobrze, czyli czy podj\u0119te przez nie decyzje lub podane informacje s\u0105 poprawne. Ale jednocze\u015bnie zapewnienie takiej weryfikacji jest konieczne, szczeg\u00f3lnie w wypadku zastosowa\u0144 zwi\u0105zanych z szeroko poj\u0119t\u0105 diagnostyk\u0105 i opiek\u0105 medyczn\u0105.<\/p>

\"\"
\u0179r\u00f3d\u0142o: materia\u0142y autor\u00f3w<\/em><\/p>

Aby zrozumie\u0107, czy stworzone obrazowania s\u0105 sensowne, lekarze zaanga\u017cowani w projekt stworzyli ontologi\u0119 struktur anatomicznych i zmian patologicznych w tomografii komputerowej. Pozwala ona m.in. stwierdzi\u0107, czy okre\u015blone zmiany mog\u0105 zachodzi\u0107 w danym organie. A to z kolei jest cenn\u0105 informacj\u0105 przy tworzeniu zbior\u00f3w danych, projektowaniu modelu i p\u00f3\u017aniejszym wyja\u015bnianiu jego decyzji.<\/p>

<\/p>

Naszym celem jest uproszczenie wielowymiarowych danych i<\/strong> bardzo z\u0142o\u017conych modeli tak, aby da\u0142o si\u0119 zinterpretowa\u0107 zachowania modelu.<\/strong><\/mark><\/strong><\/strong><\/h4>

W tym celu poszczeg\u00f3lne cz\u0119\u015bci obrazu s\u0105 oznaczane pod k\u0105tem tego, jak du\u017c\u0105 rol\u0119 odegra\u0142y w procesie uczenia si\u0119 tego obrazu przez model, na ile zosta\u0142y przez niego uznane za istotne i charakterystyczne. W zale\u017cno\u015bci od u\u017cytej metody te wskazania mog\u0105 by\u0107 pozytywne (np. warto\u015bci Shapleya) lub zar\u00f3wno pozytywne, jak i negatywne (np. metoda LIME).<\/p>

Je\u017celi wiemy, kt\u00f3re fragmenty jakich organ\u00f3w przyczynia\u0142y si\u0119 do modelowania pozosta\u0142ych organ\u00f3w, mo\u017cemy utworzy\u0107 zale\u017cno\u015bci mi\u0119dzy tymi organami i u\u017cy\u0107 znanej ontologii do potwierdzenia sensowno\u015bci regu\u0142, kt\u00f3rymi kieruje si\u0119 model4.<\/p>

Podsumowanie<\/h4>

Budowa nowych rozwi\u0105za\u0144, kt\u00f3re wykorzystuj\u0105 AI, wymaga dobrej jako\u015bci danych, wsp\u00f3\u0142pracy z ekspertami dziedzinowymi przy tworzeniu produktu, nowoczesnej infrastruktury obliczeniowej, znacznych kompetencji in\u017cynierskich, ale te\u017c odpowiedniej strategii wdra\u017cania produktu na rynek. W przypadku xLungs dzi\u0119ki temu docelowo skorzystaj\u0105 na tym pacjenci.<\/p>

Rozw\u00f3j inteligentnych narz\u0119dzi diagnostycznych opartych na sztucznej inteligencji, takich jak model do segmentacji obraz\u00f3w tomograficznych, to przyk\u0142ad realizacji idei sztucznej inteligencji w s\u0142usznej sprawie. Dzi\u0119ki takim rozwi\u0105zaniom mo\u017cliwe jest nie tylko zwi\u0119kszenie skuteczno\u015bci wykrywania chor\u00f3b, lecz tak\u017ce poprawa jako\u015bci opieki medycznej, wsparcie lekarzy i wczesne wykrywanie zagro\u017ce\u0144 zdrowotnych. A to mo\u017ce uratowa\u0107 wiele ludzkich istnie\u0144. Innowacje takie jak te pokazuj\u0105, \u017ce AI mo\u017ce by\u0107 narz\u0119dziem, kt\u00f3re \u2013 w\u0142a\u015bciwie stosowane \u2013 przynosi realne korzy\u015bci spo\u0142ecze\u0144stwu i zmienia \u015bwiat na lepsze.<\/p>

\"\"
\u0179r\u00f3d\u0142o: materia\u0142y autor\u00f3w<\/em><\/p>

Wi\u0119cej o tym, dlaczego wyja\u015bnienia s\u0105 potrzebne, mo\u017cna przeczyta\u0107 w pracy „Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies<\/a><\/mark>„, a o zaproponowanych metodach wyja\u015bnie\u0144 w pracy „Aggregated Attributions for Explanatory Analysis of 3D Segmentation Models<\/a><\/mark>„.<\/p>

<\/p>","protected":false},"excerpt":{"rendered":"

Jak zbudowa\u0107 modele segmentacji zmian chorobowych, kt\u00f3re b\u0119d\u0105 wspiera\u0107 lekarzy w diagnostyce chor\u00f3b p\u0142uc?<\/p>\n","protected":false},"author":46,"featured_media":7233,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"rank_math_lock_modified_date":false,"footnotes":""},"categories":[402,756,754,405,762],"tags":[454,316,453],"popular":[],"difficulty-level":[38],"ppma_author":[364,437],"class_list":["post-6899","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-hai-magazine","category-ai_branza","category-hai_premium","category-hai-magazine-3","category-zdrowie","tag-diagnostyka","tag-medycyna","tag-pluca","difficulty-level-medium"],"acf":[],"authors":[{"term_id":364,"user_id":46,"is_guest":0,"slug":"prof-przemyslaw-biecek","display_name":"prof. Przemys\u0142aw Biecek","avatar_url":{"url":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/08\/prof.-Przemyslaw-Biecek.jpeg","url2x":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/08\/prof.-Przemyslaw-Biecek.jpeg"},"first_name":"Przemys\u0142aw","last_name":"Biecek","user_url":"","job_title":"","description":"Profesor Uniwersytetu Warszawskiego i Politechniki Warszawskiej. Prowadzi grup\u0119 badawcz\u0105 MI2.AI i projekt BeatBit popularyzuj\u0105cy my\u015blenie oparte na danych."},{"term_id":437,"user_id":176,"is_guest":0,"slug":"dr-hab-inz-marcin-luckner","display_name":"dr hab inz. Marcin Luckner","avatar_url":{"url":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/12\/marcin-Luckner.jpeg","url2x":"https:\/\/haimagazine.com\/wp-content\/uploads\/2024\/12\/marcin-Luckner.jpeg"},"first_name":"","last_name":"","user_url":"","job_title":"","description":"Zarz\u0105dza projektami badawczymi na Wydziale Matematyki i Nauk Informacyjnych. Zajmuje si\u0119 lokalizacj\u0105 wewn\u0119trzn\u0105, wykrywaniem cyberzagro\u017ce\u0144 z poszanowaniem prywatno\u015bci oraz analiz\u0105 danych publicznych pod k\u0105tem oszustw w Web 2.0."}],"_links":{"self":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/6899","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/users\/46"}],"replies":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/comments?post=6899"}],"version-history":[{"count":5,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/6899\/revisions"}],"predecessor-version":[{"id":7599,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/posts\/6899\/revisions\/7599"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/media\/7233"}],"wp:attachment":[{"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/media?parent=6899"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/categories?post=6899"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/tags?post=6899"},{"taxonomy":"popular","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/popular?post=6899"},{"taxonomy":"difficulty-level","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/difficulty-level?post=6899"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/haimagazine.com\/pl\/wp-json\/wp\/v2\/ppma_author?post=6899"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}